Prečo je využitie AI v českom a slovenskom spracovateľskom priemysle oveľa vyššie ako v Poľsku či Rumunsku?

Údaje Eurostatu príčiny nevysvetľujú. Obe krajiny sa medzi rokmi 2024 a 2025 približne zdvojnásobili a časť tohto skoku pochádza zo širšieho dotazníka z roku 2025. Rozdiel berte ako signál rôznych východiskových bodov, nie ako rebríček závodov.

Môžeme fázy preskočiť a začať prediktívnou údržbou?

Môžete, na jednom stroji s jasným druhom poruchy a vyhradenými snímačmi. Počítajte s tým, že projekt pre tento stroj znovu vybuduje časti fáz 1 a 2. AI v celom závode bez fáz 1 až 3 zvyčajne viazne na chýbajúcich alebo neoznačených dátach.

Ako dlho trvá cesta z fázy 1 do fázy 4?

Závisí od toho, ako rýchlo sa ustália kódy príčin a každodenné používanie. Analytika potrebuje niekoľko mesiacov dát zbieraných rovnakým spôsobom. Typickú dĺžku neuvádzame, pretože nemáme overený údaj.

Potrebujeme pre fázy 1 až 3 dátových vedcov?

Nie. Tieto fázy potrebujú ľudí z výroby, údržby a kvality, ktorí vlastnia definície a dáta používajú každý deň. Špecializované zručnosti sú dôležité najmä vo fáze 5.

Pomáha dátová vrstva pri auditoch IATF?

Áno. Automaticky zaznamenané zastavenia a počty kusov dávajú pevnejší základ pre ciele OEE, MTBF a MTTR, ktoré článok 8.5.1.5 normy IATF 16949 uvádza ako príklady, aj pre ich mesačný vývoj a preskúmanie.

Domov

Príručka · Dáta a AI · stav k 22. septembru 2026

Prečo AI využíva len 3–8 % výrobcov v SVE a dátová vrstva, ktorá musí prísť skôr

Podľa prieskumu Eurostatu za rok 2025 je využitie AI medzi výrobcami v Rumunsku, Poľsku a Maďarsku menej ako polovičné oproti miere EÚ. Riešením je len zriedka lepší model. Sú ním spoľahlivé dáta zo strojov, zbierané každú zmenu.

StručneV roku 2025 využívalo aspoň jednu technológiu AI 3,2 % výrobcov s 10+ zamestnancami v Rumunsku, 7,7 % v Poľsku a 7,8 % v Maďarsku, oproti 17,3 % v EÚ (Eurostat). Priemyselná AI potrebuje úplné stavy strojov, počty kusov a príčiny zastavení s časovými značkami. To vybudujte najprv: automatický zber, doplnenie príčin, každodenné používanie, potom analýza a až potom AI na to, čo zostane.

Čísla o zavádzaní

Podniky využívajúce aspoň jednu technológiu AI, 10+ zamestnancov, % podnikov
Krajina	Všetky odvetvia 2024	Všetky odvetvia 2025	Spracovateľský priemysel 2024	Spracovateľský priemysel 2025
Rumunsko	3,1	5,2	1,3	3,2
Poľsko	5,9	8,4	5,1	7,7
Maďarsko	7,4	10,4	4,8	7,8
Česko	11,3	17,6	9,6	16,7
Slovensko	10,8	18,0	8,1	15,8
EÚ-27	13,5	20,0	10,6	17,3
Nemecko (referencia)	19,8	26,0	16,1	24,4

Zdroj: Eurostat isoc_eb_ai (všetky odvetvia) a isoc_eb_ain2 (spracovateľský priemysel, NACE C), ukazovateľ E_AI_TANY, 2024–2025. Eurostat v roku 2025 rozšíril otázky o AI, takže časť nárastu 2024→2025 je zmena prieskumu, nie iba skutočné zavádzanie.

Vynímajú sa dve skupiny. V Rumunsku, Poľsku a Maďarsku je využitie AI v spracovateľskom priemysle pod polovicou miery EÚ. V Česku a na Slovensku sa za rok približne zdvojnásobilo a je teraz blízko úrovne EÚ, hoci časť tohto skoku vysvetľuje zmena prieskumu.

V celej EÚ bol najčastejším dôvodom, ktorý uvádzali podniky, ktoré o AI uvažovali, ale nevyužili ju, nedostatok relevantných odborných znalostí, uvádzaný 70,9 % z nich, nasledovaný nejasnými právnymi dôsledkami (52,5 %) a obavami o ochranu údajov (48,8 %) (Eurostat, Use of artificial intelligence in enterprises, 2025). Eurostat v tomto vydaní nezverejňuje údaj o kvalite dát ako prekážke, preto ho neuvádzame.

Prečo projekty priemyselnej AI viaznu na dátach

Nemáme spoľahlivú štatistiku o tom, koľko projektov priemyselnej AI zlyhá, a čísla, ktoré kolujú, považujeme za nedôveryhodné. Mechanizmus sa dá ľahšie ukázať ako spočítať. Model, ktorý predpovedá poruchu, odporúča nastavenie alebo vysvetľuje stratu, potrebuje históriu. Tá musí spĺňať štyri podmienky.

Úplná. Každé zastavenie vrátane krátkych, so začiatkom a koncom. Model trénovaný na ručne zapisovaných poruchách nikdy neuvidí dvojminútové zaseknutia, ktoré tvoria veľkú časť straty.
Označená. Zastavenia potrebujú príčiny z krátkeho a stabilného zoznamu. „Iné“ ako najväčšia kategória model nič nenaučí.
Zosúladená. Stavy strojov, počty kusov, čísla dielov, zmeny a tam, kde sú k dispozícii, procesné hodnoty musia mať spoločné hodiny. Dodatočné zosúladenie záznamu z PLC s papierovým hlásením zmeny je pomalé a často nemožné.
Dostatočne dlhá a stabilná. Mesiace dát zbieraných rovnakým spôsobom na procese, ktorý sa nepredefinúva každý štvrťrok.

Ak tieto podmienky nie sú splnené, prvá fáza projektu AI sa stane dátovým projektom, či už to tak bolo plánované, alebo nie. Lacnejšie je rozpočtovať dátovú vrstvu ako samostatný projekt s vlastnou návratnosťou v podobe každodenného znižovania strát a AI brať ako neskoršiu nadstavbu.

Nedostatok odborníkovPrekážka odborných znalostí, ktorú uvádza 70,9 % podnikov, je tiež argumentom pre dátovú vrstvu. Fázy 1 až 3 nižšie potrebujú ľudí z výroby a údržby, nie dátových vedcov. Fáza 5 je jediná, kde sú špecializované zručnosti v oblasti AI nevyhnutné, a vtedy je už problém dosť úzky na to, aby sa dali nakúpiť zvonka.

Päťstupňová cestovná mapa

Automaticky zaznamenávajte stavy strojov a počty kusovKaždý kľúčový stroj hlási chod, zastavenie a výrobu s počtami kusov zo signálu, nie z pera. Hotovo znamená: pre ktorúkoľvek zmenu za posledný mesiac viete ukázať každé zastavenie so začiatkom a koncom a počet kusov sa zhoduje s výkazom výroby v rámci malého, známeho rozdielu.
Priraďte zastaveniam príčinyOperátori vyberajú príčinu z krátkeho zoznamu pri stroji alebo na tablete ešte počas zastavenia. Zoznam vlastní údržba. Hotovo znamená: viac ako deväť z desiatich minút zastavení má príčinu a „iné“ nie je medzi prvými tromi.
Používajte dáta denne na poradách zmienPorada na začiatku zmeny pracuje so včerajšími stratami podľa strojov a príčin, nie s pamäťou. Opatrenia sa zaznamenávajú so zodpovednými osobami. Hotovo znamená: majstri si obrazovku pýtajú, keď chýba, a najväčšia strata na každej kľúčovej linke má otvorené opatrenie.
Analytika na stabilných dátachS niekoľkými mesiacmi konzistentných dát hľadajte vzorce: straty podľa čísla dielu, zmeny, typu prestavby, času od údržby. Tu sa vývoj MTBF, MTTR a OEE stáva dosť spoľahlivým pre audity a zákazníkov. Hotovo znamená: na otázku „prečo linka 3 stratila minulý mesiac štyri body“ viete odpovedať do hodiny, s číslami.
ML a AI na problémy, ktoré zostanúVyberte úzky, nákladný problém, ktorý analytika nevyriešila: druh poruchy s varovnými signálmi, posun kvality spojený s procesnými hodnotami, problém plánovania. Doplňte snímače alebo dáta, ktoré tento problém potrebuje. Hotovo znamená: model s nameraným účinkom na jednu pomenovanú stratu, ktorý vlastní niekto z výroby.

Fázy 1 až 3 zároveň vytvárajú dôkazy, ktoré článok 8.5.1.5 normy IATF 16949 požaduje k cieľom údržby; pozri čo audítori očakávajú pri OEE, MTBF a MTTR. Po doplnení podružných elektromerov odpovedá tá istá vrstva aj na otázky zákazníkov o energii na diel.

Bezplatné dáta

Dátový balík výroby SVE 2026

Všetky ukazovatele z tejto stránky pre 7 krajín, EÚ-27 a Nemecko, s kódmi datasetov Eurostatu a odkazmi. Excel.

Stiahnuť dátový balík →

Kontrolný zoznam: sú vaše dáta pripravené na AI?

Odpovedajte za jednu kľúčovú linku, nie za závod
Kontrola	Pripravené	Zatiaľ nepripravené
Ako sa zaznamenávajú zastavenia?	Automaticky zo signálu stroja, s časovými značkami	Na papieri alebo prepísané na konci zmeny
Sú viditeľné krátke zastavenia?	Áno, s presnosťou na minútu alebo lepšou	Len zastavenia dlhšie ako niekoľko minút
Podiel času zastavení s príčinou	Nad približne 90 %, „iné“ malé	Veľká kategória „iné“ alebo „neznáme“
Počty kusov	Zo stroja, podľa čísla dielu	Z hlásenia zmeny alebo zo zápisov v ERP
Spoločné hodiny	Stavy, počty a procesné dáta majú jednu časovú základňu	Oddelené systémy, zosúlaďované ručne
História	Šesť a viac mesiacov zbieraných rovnakým spôsobom	Týždne, alebo sa definície nedávno zmenili
Každodenné používanie	Používajú sa na poradách zmien; chyby sa všimnú a opravia	Pozerajú sa mesačne alebo kvôli auditom
Vlastníctvo	Menovaný vlastník kódov príčin a definícií	Nikto, alebo len IT

Prahové hodnoty sú praktické orientačné pravidlá, nie zverejnené benchmarky.

Ak je väčšina odpovedí v pravom stĺpci, projekt AI strávi prvé mesiace ich opravou. Táto práca stojí za to, ale pri rozpočtovaní a pri žiadosti o financovanie ju nazvite pravým menom.

Ako to súvisí s financovaním

Viaceré programy digitalizácie v SVE uvádzajú ako oprávnené náklady zber výrobných dát, MES alebo IoT, čo dobre zodpovedá fázam 1 až 3. Stav výziev sa často mení. Náš sesterský web uvádza schémy podľa krajín s dátumami a oficiálnymi odkazmi: financovanie digitalizácie výroby v SVE. Aktuálnu dokumentáciu výzvy si overte v agentúre; nejde o poradenstvo k dotáciám.

Odkiaľ môže dátová vrstva pochádzať

Tri bežné cesty
Cesta	Hodí sa, keď	Na čo si dať pozor
MES	Potrebujete v dielni aj zákazky, sledovateľnosť a pracovné postupy	Dlhšie projekty; zber stavov na starších strojoch môže aj tak vyžadovať dodatočný hardvér
Miestny integrátor (dáta z PLC a SCADA)	Stroje majú prístupné riadiace systémy a máte internú podporu IT	Definície a dashboardy sú na mieru; uchovávajte dokumentáciu
Produkt na monitorovanie (napríklad TeepTrak)	Chcete rýchlo stavy, príčiny zastavení a počty kusov, aj na starších strojoch	Náklady na predplatné; integrácia s ERP alebo MES, ak ju budete neskôr potrebovať

Tento web vydáva TEEPTRAK SAS, ktorá predáva softvér na monitorovanie výroby a OEE (450+ vybavených tovární vo viac ako 30 krajinách; tím pre SVE v Bukurešti). K tretej ceste nie sme neutrálni. Fázy 1 až 3 dokážu zabezpečiť všetky tri. Rovnako aj disciplinovane vedená tabuľka na jednej linke, ako prvý test toho, či budú vaše tímy dáta používať.